發(fā)布時(shí)間：2021-07-09 00:53

　　為了避免農(nóng)作物遇霜后遭受凍害,本研究采用草面溫度對霜進(jìn)行預(yù)測。利用連云港氣象觀測站2014—2016年逐時(shí)氣象要素,包括氣溫、0 cm地溫、露點(diǎn)溫度、水汽壓、氣壓以及2 min平均風(fēng)速等氣象要素作為影響連云港地區(qū)草面溫度的關(guān)鍵因子,并以這6個(gè)要素作為屬性特征,以草溫作為標(biāo)志量構(gòu)建訓(xùn)練樣本集,結(jié)合KNN數(shù)據(jù)挖掘算法構(gòu)建草溫預(yù)測模型,并根據(jù)草溫判別是否有霜出現(xiàn)。結(jié)果表明:基于該算法構(gòu)建的草溫預(yù)測模型效果較好,預(yù)報(bào)平均誤差1.2℃;根據(jù)草溫預(yù)測霜的準(zhǔn)確率高達(dá)90.2%,尤其對初終霜的預(yù)報(bào)具有很好的指示意義。因此,引入草溫作為霜的預(yù)報(bào)指標(biāo),對于避免農(nóng)作物遭受霜害具有十分重要的意義。 

【文章來源】：中國農(nóng)學(xué)通報(bào). 2020,36(15)

【文章頁數(shù)】：6 頁

【部分圖文】：

草面溫度與各氣象要素?cái)M合圖

圖1 草面溫度與各氣象要素?cái)M合圖對于K值的確定是根據(jù)具體實(shí)驗(yàn)數(shù)據(jù)的不同而定，從K=1開始，利用測試集檢驗(yàn)分類的錯(cuò)誤率，然后選擇產(chǎn)生最小錯(cuò)誤率的K。一般而言，訓(xùn)練集的維度和樣本量越大，K值也會(huì)相對增加。為便于在最鄰近的子集中進(jìn)行投票，K值的選取一般為奇數(shù)。結(jié)果表明，當(dāng)K=3時(shí)，模型結(jié)果最優(yōu)。

(2)KNN算法是一種非參數(shù)化監(jiān)督算法，其可以避開建立固定的回歸預(yù)報(bào)方程等不利因素影響。KNN分類器屬性特征由氣溫、0 cm地溫、露點(diǎn)溫度、氣壓、水汽壓及2 min平均風(fēng)速等6個(gè)變量構(gòu)成，標(biāo)志項(xiàng)為草面溫度。KNN分類器實(shí)驗(yàn)結(jié)果表明K=3時(shí)效果最優(yōu)。圖2 連云港各月實(shí)際草溫與預(yù)測草溫對比曲線圖


本文編號：3272676